ACIT4630 Advanced Machine Learning and Deep Learning Course description

OsloMet har digitale plattformer for å tilrettelegge for et utviklende og aktivt læringsmiljø. I en nettbasert utdanning er studentenes studieinnsats, individuelt og i grupper, avgjørende for om læringsutbyttene oppnås.

Selvstudier

Egenaktivitet omfatter samarbeid med medstudenter via universitets læringsplattform. Individuelle arbeidsformer er for eksempel å lese emnets litteratur, løse oppgaver, se film, benytte ulike former for e-læringsressurser, skrive innlegg i blogg og delta i diskusjonsforum i chat eller sosiale medier.

Digitale læringsressurser

Det benyttes digitale forelesninger. Disse blir i hovedsak benyttet for å introdusere nytt fagstoff, gi oversikt, trekke frem hovedelementer, synliggjøre sammenhenger mellom ulike temaer, eksempler fra praksisfeltet og formidle relevante problemstillinger.

Observasjons- og refleksjonsoppgaver er knyttet til både film, video og tekst. Case og historiefortellinger danner grunnlag for ulike refleksjonsoppgaver både individuelt og i grupper.

Emnet og tilhørende læringsmateriell vil være delvis på skandinaviske språk (norsk, svensk, dansk) og delvis på engelsk.

Gruppearbeid og individuelt arbeid

Gruppearbeid innebærer tilrettelagt nettbasert samarbeid med medstudenter, der studentene diskuterer hverandres bidrag. Det inkluderer medstudentrespons og å dele kunnskap og perspektiver gjennom å utvikle og formidle fagstoff. Arbeidet gir øvelse i å gi og motta konstruktive tilbakemeldinger. Digital samskrivning benyttes for å produsere tekster sammen.

Diskusjonsforum

Studentene skal delta i digitale diskusjoner i sikre kanaler. Gruppearbeid anvendes som pedagogisk metode for å fremme samarbeid mellom studentene, understøtte læringen av fagstoff og gi trening i samarbeid og samspill. Medstudenter og faglærere bidrar med tilbakemeldinger. Studentene oppfordres til å være aktive i diskusjoner ved eget arbeidssted ved å trekke fagstoff fra emnet inn. Studentinitiert samarbeid vil bli støttet og presentert digitalt.

Webseminarer

Samlinger foregår digitalt. Gjennom disse får studentene øvelse i å formulere seg faglig, gi uttrykk for egne meninger og refleksjoner. De får trening i å presentere og diskutere fagstoff, og reflektere over egne handlinger og holdninger.

Dette betyr at det legges vekt på høy deltakeraktivitet gjennom drøfting, refleksjon og dialog. Samlingene har som mål å bidra til studentenes faglige og personlige utvikling samt øke deres refleksjonsnivå.

• Bachelor level knowledge in linear algebra, vector calculus, and basic statistics, and probability is important for understanding some of the concepts in this course.
• Knowledge and skills in programming, particularly Python, and machine learning frameworks such as scikit-learn, TensorFlow, and Keras.
• Knowledge and skills in cloud containerization technologies such as Docker.

Vurdering av eksamensbesvarelser gjennomføres etter gjeldene regler gitt i lov om universiteter og høgskoler, forskrift om studier og eksamen ved OsloMet og retningslinjer for oppnevning og bruk av sensor ved OsloMet.

Vurderingsform:

Individuell skriftlig prosjektoppgave, 2000 ord (+/-10 %).

Med utgangspunkt i en godkjent egendefinert problemstilling, relevant og aktuell for praksis, skal studentens eksamensbesvarelse være koblet til emnets læringsutbytter og pensum. Studentene arbeider med prosjektoppgaven gjennom hele semesteret.

Dersom oppgaven vurderes til F (ikke bestått) har studenten anledning til å levere omarbeidet versjon én (1) gang.

On successful completion of the course, students should have the following learning outcomes defined in terms of knowledge, skills, and general competence.

Knowledge

The student has:

• knowledge of supervised, unsupervised, reinforcement learning
• good understanding of the principles of state-of-the-art deep neural networks such as convolutional neural networks, sequential models (RNN, LSTM), Transformers, GenerativeAI (Autoencoder, GAN, Diffusion models), and reinforcement learning.
• a good understanding of both theoretical and practical know-how required to use machine learning and deep learning methods effectively.

Skills

The student can:

• build, train, test, and deploy machine learning and deep learning models
• analyze machine learning methods in regard to their performance and effectiveness
• use existing deep learning networks, improve and/or customize them to apply to new problems

General competence

The student:

• has both theoretical and practical understanding of machine learning and deep learning methods
• can discuss relevance, strength, and limitations of machine learning and deep learning in solving real-world problems
• can work on effectively relevant research projects

This course covers principles of machine learning and deep learning methods and best practices in solving problems effectively. Most of the problems are related and applicable in various areas such as computer vision, surveillance, assistive technology, medical imaging, etc. Therefore, the course intends to provide case studies and examples of ML and DL in solving various problems. Students can explore the tremendous potential of modern AI, ML, and DL methods and techniques in solving problems in different application domains through project work.

Gradert skala A-F, der A er beste karakter og E er dårligste karakter for å bestå eksamen. Karakteren F innebærer at eksamen ikke er bestått.

Alle besvarelser vurderes av to sensorer.

Ekstern sensor benyttes regelmessig, og minimum ved hver tredje gjennomføring av emnet. Ved uttrekk av besvarelser til ekstern sensur skal uttrekket omfatte minimum 10% av besvarelsene, men uansett ikke færre enn 5 besvarelser. Ved uttrekk skal ekstern sensors vurdering komme alle studentene til gode.

Målgruppe

Målgruppen er primært yrkesutøvere i helse-, sosial- og omsorgstjeneste, men inkluderer også andre yrkesgrupper som skal forholde seg til spørsmål om seksuell helse, aldring og folkehelse.

Opptakskrav

Søkere må ha bachelorgrad eller tilsvarende. Søkere som har fullført minst tre år av femårig integrert masterutdanning eller av seksårig profesjonsutdanning, kan også tas opp.

Det vises til forskrift om opptak til studier ved OsloMet - storbyuniversitet.

Videreutdanningen består av ett emne, VSHAL Seksuell helse og aldring (15 stp), og gjennomføres på deltid over et semester. Emnet er inndelt i moduler, som gjenspeiles i de digitale læringsressursene, Læringsressursene og samlingene/webseminarene er heldigitale. Det vil bli avholdt 4 websminarer i løpet av emnet. Forventet studieinnsats er beregnet til ca. 18 timer pr. uke.

Internasjonalisering

Økende globalisering av arbeidsmarkedet gjør internasjonal erfaring, språk- og kulturkunnskap viktig. Internasjonalisering gir også innsikt i globalisering generelt og bidrar til å oppnå bedre studiekvalitet og styrking av fagmiljøet ved utdanningen. Kunnskap om internasjonale forhold er også viktig for kunnskapsutviklingen.

Internasjonalisering skjer gjennom fagmiljøets kontakt og samarbeid med studerende og kolleger i andre land. Videreutdanningen har som mål å rekruttere utenlandske studenter som behersker ett av de skandinaviske språkene, og markedsføres derfor i alle nordiske land. Pensum består både av skandinavisk/norsk og internasjonal fag- og forskningslitteratur.

Grade scale A-F.

Two internal examiners. External examiner is used periodically.

Associate Professor Raju Shrestha